Каково состояние в компьютерном шахматном поиске дерева?

Даже при том, что много оптимизации на основе эвристики (я имею в виду способы увеличить древовидную глубину, на самом деле не ища) обсужденный в шахматной литературе программирования, я думаю, что большинство из них редко используется. Причина состоит в том, что они - хорошие усилители производительности в теории, но не на практике.

Иногда эта эвристика может возвратить плохое (я имею в виду не лучшее), перемещение также.

Люди, с которыми я говорил всегда, рекомендуют оптимизировать поиск альфы - беты и реализовать повторяющееся углубление в код вместо того, чтобы пытаться добавить другую эвристику.

Главная причина состоит в том, что компьютеры увеличиваются в вычислительной мощности и исследовании [цитата потребности, которую я предполагаю], показала, что программы, которые используют их целое процессорное время для грубой силы дерево альфы - беты на максимальную глубину, всегда имеют outrunned программы, которые разделяют их время между определенные уровни альфы - беты и затем некоторой эвристики.

Даже при том, что использование некоторой эвристики для расширения древовидной глубины может нанести больше ущерба, чем хороший, существует много усилителей производительности, которых можно добавить к алгоритму поиска альфы - беты.

Я уверен, что Вы знаете, что, чтобы альфа - бета работала точно, поскольку она предназначается для работы, у Вас должно быть перемещение, сортирующее mechanisn (повторяющееся углубление). Повторяющееся углубление может дать Вам приблизительно 10%-е повышение производительности.

Добавление Основного метода поиска изменения к альфа-бете может дать Вам дополнительное 10%-е повышение.

Попробуйте MTD (f) алгоритм также. Это может также увеличить производительность Вашего механизма.

MTD (f) или один из вариантов MTD является большим улучшением по стандартной альфе - бете, если у Вас нет действительно мелких деталей в Вашей функции оценки и предполагая использование уничтожающей эвристики. Эвристика истории также полезна.

Шахматная программа с самым высоким рейтингом Rybka, по-видимому, отказалась от MDT (f) в пользу PVS с окном нулевого стремления на узлах неPV.

Расширенное сокращение тщетности, которое включает и нормальное сокращение тщетности и глубокий razoring, является теоретически необоснованным, но удивительно эффективным на практике.

Повторяющееся углубление является другой полезной техникой. И я перечислил много хороших шахматных ссылок программирования здесь.

Одна эвристика, которая не была упомянута, является Пустым сокращением перемещения.

Кроме того, у Ed Schröder есть большая страница, объясняя много приемов, которые он использовал в своем механизме Повстанцев, и сколько улучшения каждый способствовал скорости/производительности: Внутренний Мятежник

Используя таблицу перемещения с хешем zobrist

Требуется очень мало кода для реализации [одного XOR на каждом перемещении или неперемещении, и, если оператор прежде, чем рекурсивно вызвать в игровом дереве], и преимущества довольно хорош, особенно если Вы уже используете повторяющееся углубление, и это довольно tweakable (используйте большую таблицу, меньшую таблицу, заменяющие стратегии, и т.д.),

Большая часть настольной игры алгоритмы AI основана на http://en.wikipedia.org/wiki/Minmax MinMax. Цель состоит в том, чтобы минимизировать их опции при максимизации опций. Хотя с Шахматами это - очень большая и дорогая проблема во время выполнения. Чтобы помочь уменьшить это, можно объединить минимакс с базой данных игр, в которые ранее играют. Любая игра, которая имеет подобную позицию платы и установила шаблон о том, как то расположение было выиграно для Вашего цвета, может использоваться до "анализа", куда переместиться затем.

Я немного смущен на том, что Вы подразумеваете под improvement/code_size. Вы действительно имеете в виду улучшение / анализ во время выполнения (большой O (n) по сравнению с o (n))? Если это так, говорите с IBM и командой Параллелей крупной синей, или Microsoft. В PDC я говорил с парнем (чье имя выходит из меня теперь), кто демонстрировал, что Маджонг с помощью 8 ядер на противника и они выиграли первое место на игровом конкурсе дизайнеров алгоритма (чье имя также выходит из меня).

Я не думаю, что существуют любые "консервированные" алгоритмы там, чтобы всегда выиграть шахматы и сделать это очень быстро. Способ, которым необходимо было бы сделать это, имеют КАЖДУЮ возможную игру, в которую ранее играют, индексированную в очень большой основанной на словаре базе данных, и предварительно кэшировали анализ каждой игры. Это было бы ОЧЕНЬ compex алгоритм и будет очень плохим улучшением / проблема сложности, по-моему.

Уничтожающие перемещения являются хорошим примером небольшого размера кода и большим улучшением упорядочивания перемещения.

Я мог бы быть немного вне темы, но "современные" шахматные программы используют MPI такой в качестве Темно-Синего для крупного параллельного питания.

Просто рассмотрите, чем параллельная обработка играет большую роль в современных шахматах